Forex ซื้อขาย เครื่อง การเรียนรู้

การค้าและการเรียนรู้ด้วยเครื่องคอมพิวเตอร์เข้าร่วมธันวาคม 2006 สถานะ: สมาชิก 3,845 บทความนี้เป็นหัวข้อสนทนาเกี่ยวกับการเรียนรู้เกี่ยวกับเครื่องและวิธีการที่จะกำหนดอนาคตของการซื้อขายเพื่อผลกำไร การอ่านสิ่งที่นักวิทยาศาสตร์กำลังทำอยู่ (การสร้างชิพเหมือนสมอง) และการคิดค้นซอฟต์แวร์การเรียนรู้ด้วยเครื่องผมคิดว่าวิธีนี้สามารถทำได้ทั้งสองแบบ - ทั้งที่เรามีตลาดที่มีประสิทธิภาพสูงหรือเราจะเกิดปัญหาขึ้นบ่อยๆเช่นกับ อัลกอริธึมแบบดั้งเดิมที่ล่าสุดขึ้น อย่างไรก็ตามฉันคิดว่าดีขึ้นปัญญาประดิษฐ์เหล่านี้ได้รับและมีอำนาจคอมพิวเตอร์มากขึ้นพร้อมใช้งานผู้ค้ามนุษย์จะพบว่ามันเป็นไปไม่ได้ที่จะยืนโอกาสกับเครื่องเหล่านั้นในระยะยาว ตอนนี้ผมจินตนาการว่าคอมพิวเตอร์ควอนตัม D-Waves ใช้สำหรับงานดังกล่าวกับ 2,000 Qubits ซึ่งทำให้สถานการณ์ 102000 ที่คอมพิวเตอร์เครื่องนี้สามารถวิเคราะห์ได้พร้อมกัน (มีสถานการณ์มากกว่าที่มีอะตอมในจักรวาลที่รู้จัก) วิธีการหนึ่งที่สามารถแข่งขันกับสิ่งที่พวกคุณคิดว่าเข้าร่วมมกราคม 2017 สถานะ: สมาชิก 34 กระทู้สวัสดีนี่เป็นหัวข้อสนทนาเกี่ยวกับการเรียนรู้เครื่องจักรและวิธีการที่จะกำหนดอนาคตของการค้าเพื่อผลกำไร การอ่านสิ่งที่นักวิทยาศาสตร์กำลังทำอยู่ (การสร้างชิพเหมือนสมอง) และการคิดค้นซอฟต์แวร์การเรียนรู้ด้วยเครื่องผมคิดว่าวิธีนี้สามารถทำได้ทั้งสองแบบ - ทั้งที่เรามีตลาดที่มีประสิทธิภาพสูงหรือเราจะเกิดปัญหาขึ้นบ่อยๆเช่นกับ อัลกอริธึมแบบดั้งเดิมที่ล่าสุดขึ้น อย่างไรก็ตามฉันคิดว่าอัจฉริยะประดิษฐ์เหล่านี้ดีขึ้นและยิ่งใช้พลังงานจากคอมพิวเตอร์มากเท่าใดผู้ค้ามนุษย์ก็จะพบมัน หากสิ่งนี้เรียกว่า AIs สามารถทำงานเพื่อประโยชน์ของเราแล้วไม่มีปัญหา แต่สิ่งหนึ่งที่แน่นอนเครื่องจะเป็นเครื่องเสมอ พวกเขาสามารถทำงานผิดพลาดเพียงบางครั้งและทำให้คุณเครียดออกการเรียนรู้ใน Forex Trading: ทำไมนักวิชาการหลายคนทำสิ่งที่ผิดทั้งหมดการสร้างกลไกการเรียนรู้ที่สามารถรับผลที่ดีภายใต้สภาวะตลาดที่มีชีวิตอยู่ได้เสมอความท้าทายที่สำคัญในการซื้อขายแบบอัลกอริทึม แม้จะมีจำนวนเงินที่น่าสนใจและผลตอบแทนที่น่าทึ่ง แต่ก็ยังไม่มีสิ่งตีพิมพ์ด้านวิชาการใดที่สามารถแสดงโมเดลการเรียนรู้เครื่องที่ดีซึ่งสามารถแก้ไขปัญหาการซื้อขายในตลาดจริงได้อย่างประสบความสำเร็จ (ตามความเห็นของฉัน คุณมีหนึ่งและ I8217ll เป็นมากกว่ายินดีที่จะอ่าน) แม้ว่าเอกสารจำนวนมากที่ตีพิมพ์ดูเหมือนจะแสดงผลลัพธ์ที่น่าสนใจ แต่ก็มักเป็นกรณีที่เอกสารเหล่านี้ตกอยู่ในปัญหาอคติทางสถิติที่หลากหลายซึ่งทำให้ความสำเร็จในตลาดจริงของกลยุทธ์การเรียนรู้ด้วยเครื่องของพวกเขาเป็นไปได้สูงมาก ในโพสต์ today8217s ฉันจะพูดคุยเกี่ยวกับปัญหาที่ฉันเห็นในการวิจัยทางวิชาการที่เกี่ยวข้องกับการเรียนรู้ด้วยเครื่องใน Forex และฉันเชื่อว่าการวิจัยนี้จะได้รับการปรับปรุงเพื่อให้ข้อมูลที่เป็นประโยชน์มากขึ้นสำหรับทั้งนักวิชาการและชุมชนการค้า ข้อผิดพลาดส่วนใหญ่ในการออกแบบกลยุทธ์การเรียนรู้ด้วยเครื่องเมื่อทำการซื้อขายสกุลเงินเป็นสิ่งที่สืบทอดมาอย่างหลีกเลี่ยงไม่ได้จากโลกของปัญหาการเรียนรู้ที่เป็นปัญหา เมื่อสร้างอัลกอริธึมการเรียนรู้ของเครื่องสำหรับการจดจำใบหน้าหรือการรู้จำตัวอักษรมีปัญหาที่กำหนดไว้อย่างชัดเจนซึ่งไม่ได้มีการเปลี่ยนแปลงซึ่งโดยทั่วไปจะสร้างขึ้นโดยการสร้างโมเดลการเรียนรู้ด้วยเครื่องในเซตย่อยของข้อมูล (ชุดการฝึกอบรม) แล้วทดสอบว่า โมเดลสามารถแก้ปัญหาได้อย่างถูกต้องโดยใช้การเตือนความจำของข้อมูล (ชุดทดสอบ) นี่คือเหตุผลที่คุณมีชุดข้อมูลที่มีชื่อเสียงและเป็นที่ยอมรับซึ่งสามารถนำมาใช้เพื่อสร้างคุณภาพของเทคนิคการเรียนรู้ด้วยเครื่องจักรที่พัฒนาขึ้นใหม่ ประเด็นสำคัญที่นี่คือปัญหาที่เกิดขึ้นจากการเรียนรู้ด้วยเครื่องครั้งแรกส่วนใหญ่เป็นตัวกำหนดและเวลาที่เป็นอิสระ เมื่อนำเข้าสู่การซื้อขายการใช้หลักปรัชญาเดียวกันนี้ทำให้เกิดปัญหาหลายอย่างที่เกี่ยวข้องกับลักษณะของตลาดที่ไม่เป็นตัวบ่งชี้บางส่วนและการพึ่งพิงเวลา การกระทำเพียงอย่างเดียวของการพยายามเลือกชุดฝึกอบรมและทดสอบทำให้เกิดความลำเอียงจำนวนมาก (อคติที่เลือกข้อมูล) ซึ่งก่อให้เกิดปัญหา ถ้าการเลือกซ้ำเพื่อปรับปรุงผลลัพธ์ในชุดทดสอบ 8211 ซึ่งคุณต้องสมมติว่าเกิดขึ้นอย่างน้อยในบางกรณี 8211 ปัญหาก็จะเพิ่มจำนวนอคติในการทำเหมืองข้อมูลด้วย ปัญหาทั้งหมดในการฝึกออกกำลังกายแบบฝึกเดียวทำให้เกิดปัญหาเกี่ยวกับวิธีการใช้อัลกอริธึมนี้ในการซื้อขายหลักทรัพย์สด ตามความหมายการซื้อขายแบบสดจะแตกต่างกันเนื่องจากการเลือกชุดการฝึกอบรมจะต้องนำมาใช้ใหม่กับข้อมูลที่แตกต่างกัน (เช่นตอนนี้ชุดทดสอบเป็นข้อมูลที่ไม่รู้จักอย่างแท้จริง) อคติที่มีอยู่ในการเลือกช่วงเวลาเริ่มต้นของการเลือกตัวอย่างและการขาดกฎเกณฑ์ที่ผ่านการทดสอบสำหรับการซื้อขายภายใต้ข้อมูลที่ไม่รู้จักทำให้เทคนิคดังกล่าวล้มเหลวในการซื้อขายหลักทรัพย์ทั่วไป ถ้าอัลกอริทึมได้รับการฝึกอบรมโดยใช้ข้อมูล 2000-2012 และได้รับการตรวจสอบข้ามปี 2012-2015 ข้อมูลก็ไม่มีเหตุผลที่จะเชื่อได้ว่าความสำเร็จเดียวกันนี้จะเกิดขึ้นหากได้รับการฝึกอบรมในข้อมูลปี 2003-2015 และทำการซื้อขายในช่วง 2015-2017 ซึ่งข้อมูลดังกล่าว มีลักษณะแตกต่างกันมาก ขั้นตอนวิธีการวัดความสำเร็จเป็นปัญหาที่เกี่ยวข้องมากที่นี่ แน่นอนกลไกการเรียนรู้ของเครื่องที่ใช้ในการซื้อขายควรมีการวัดผลโดยความสามารถในการสร้างผลตอบแทนที่ดี แต่วรรณคดีบางชิ้นมีการวัดผลของเทคนิคอัลกอริทึมใหม่ด้วยการพยายามเปรียบเทียบความสามารถในการคาดการณ์ที่ถูกต้อง การคาดการณ์ที่ถูกต้องไม่จำเป็นต้องเท่ากับการซื้อขายที่ทำกำไรได้เนื่องจากคุณสามารถดูได้อย่างง่ายดายเมื่อสร้างตัวจำแนกแบบไบนารี ถ้าคุณพยายามที่จะทำนายทิศทาง candle8217s ต่อไปคุณจะสามารถสร้างความสูญเสียได้หากคุณใช้เทียนขนาดเล็กและเทียนขนาดใหญ่ผิดพลาด เป็นเรื่องของความเป็นจริงส่วนใหญ่ของประเภทนี้ 8210 ลักษณนามส่วนใหญ่ที่ 8282 don8217t ทำงาน 8211 คาดการณ์ทิศทางที่มีความแม่นยำสูงกว่า 50 แต่ไม่เกินระดับที่จำเป็นในการเกินค่าคอมมิชชั่นที่จะอนุญาตให้มีการซื้อขายตัวเลือกไบนารีกำไร เพื่อสร้างกลยุทธ์ที่ส่วนใหญ่กำจัดปัญหาข้างต้นฉันได้สนับสนุนเสมอสำหรับวิธีการที่เครื่องเรียนรู้ขั้นตอนวิธีคือ retrained ก่อนการตัดสินใจการฝึกอบรมใด ๆ โดยการใช้หน้าต่างเคลื่อนที่สำหรับการฝึกอบรมและไม่ต้องทำการตัดสินใจมากกว่าหนึ่งครั้งโดยไม่ต้องอบรมขึ้นใหม่เราสามารถกำจัดอคติการคัดเลือกทั้งหมดที่มีอยู่ในการเลือกชุดข้อมูลตัวอย่างเดียวในชุดตัวอย่าง ในลักษณะนี้การทดสอบทั้งหมดเป็นการฝึกแบบฝึกหัดการฝึกอบรมซึ่งจะทำให้มั่นใจได้ว่าอัลกอริทึมการเรียนรู้ของเครื่องทำงานได้ภายใต้ชุดข้อมูลการฝึกอบรมที่แตกต่างกันอย่างมาก ฉันยังสนับสนุนการวัดประสิทธิภาพ backtesting จริงในการวัดกลไกการเรียนรู้ algorithms8217s และยิ่งไปกว่านั้นฉันจะไปให้ไกลที่สุดเท่าที่จะบอกได้ว่าไม่มีขั้นตอนวิธีที่สามารถเป็นมูลค่าของเกลือโดยไม่ต้องพิสูจน์ภายใต้เงื่อนไขที่แท้จริงออกจากตัวอย่าง การพัฒนาอัลกอริทึมในลักษณะนี้เป็นเรื่องที่ยากขึ้นมากและฉันได้ค้นพบเอกสารทางวิชาการฉบับเดียวที่ใช้วิธีการแบบนี้ (หากไม่ได้รับความคิดเห็นโปรดโพสต์ลิงก์เพื่อให้ฉันสามารถใส่ความคิดเห็นได้) ไม่ได้หมายความว่าวิธีการนี้เป็นปัญหาที่สมบูรณ์ แต่ก็ยังคงเป็นปัญหาคลาสสิกที่เกี่ยวข้องกับการออกกำลังกายในการสร้างกลยุทธ์ทั้งหมดรวมทั้งอคติในการโค้งงอและข้อมูลอคติในการทำเหมือง นี่เป็นเหตุผลว่าทำไมการใช้ข้อมูลเป็นจำนวนมากจึงเป็นเรื่องสำคัญ (ฉันใช้เวลา 25 ปีในการทดสอบระบบการฝึกอบรมใหม่ทุกครั้งหลังจากการเรียนรู้ของแต่ละเครื่อง) และดำเนินการทดสอบการประเมินผลการทำเหมืองข้อมูลอย่างเพียงพอเพื่อตรวจสอบความเชื่อมั่นที่เราสามารถทำได้ กล่าวว่าผลลัพธ์ไม่ได้มาจากโอกาสสุ่ม เพื่อนของฉัน AlgoTraderJo 8211 ที่ยังเกิดขึ้นเพื่อเป็นสมาชิกของชุมชนการค้า 8211 ของฉันกำลังเติบโตด้ายที่ ForexFactory ต่อไปนี้ประเภทเดียวกันของปรัชญาสำหรับการพัฒนาการเรียนรู้เครื่องขณะที่เราทำงานในกลไกการเรียนรู้เครื่องใหม่บางอย่างสำหรับชุมชนการค้าของฉัน คุณสามารถดูโพสต์หรือโพสต์ที่ผ่านมาในบล็อกของฉันเพื่อดูตัวอย่างของอัลกอริทึมการเรียนรู้ด้วยเครื่องที่พัฒนาขึ้นในลักษณะนี้ หากคุณต้องการเรียนรู้เพิ่มเติมเกี่ยวกับพัฒนาการของเราในการเรียนรู้เกี่ยวกับเครื่องจักรและคุณสามารถพัฒนากลไกการเรียนรู้ด้วยเครื่องของคุณเองโดยใช้กรอบ F4 โปรดพิจารณาเข้าร่วม Asirikuy เว็บไซต์ที่เต็มไปด้วยวิดีโอการศึกษาระบบการซื้อขายการพัฒนาและเสียงวิธีการที่ซื่อสัตย์และโปร่งใสต่อการซื้อขายอัตโนมัติการเรียนรู้ด้วย algoTraderJo เข้าร่วมธันวาคม 2014 สถานะ: สมาชิก 383 กระทู้สวัสดีเพื่อนผู้ค้าฉันเริ่มกระทู้นี้หวังที่จะร่วมกับคุณบาง ของการพัฒนาของฉันในด้านการเรียนรู้ด้วยเครื่อง แม้ว่าฉันจะไม่สามารถแชร์กับระบบที่ถูกต้องหรือการใช้งานการเขียนโค้ดได้ (อย่าคาดหวังว่าจะได้รับอะไรจาก quotplug-and-playquot และทำให้เป็นคนรวยจากหัวข้อนี้) ฉันจะแบ่งปันความคิดผลการทดลองของฉันและด้านอื่น ๆ ในผลงานของฉัน ผมเริ่มหัวข้อนี้ด้วยความหวังว่าเราจะสามารถแบ่งปันความคิดและช่วยเหลือซึ่งกันและกันในการปรับปรุงการใช้งานของเรา ฉันจะเริ่มต้นด้วยกลยุทธ์การเรียนรู้เครื่องง่ายๆและจะเข้าสู่เนื้อหาที่ซับซ้อนมากขึ้นเมื่อเวลาผ่านไป หวังว่าคุณจะสนุกกับการนั่งเข้าร่วมธันวาคม 2014 สถานะ: สมาชิก 383 กระทู้ฉันต้องการเริ่มต้นด้วยการพูดถึงสิ่งพื้นฐานบางอย่าง ฉันขอโทษถ้าโครงสร้างของโพสต์ของฉันออกมากเป็นที่ต้องการ I dont มีเวทีการโพสต์ประสบการณ์ใด ๆ แต่หวังว่าจะได้รับบางเวลา ในการเรียนรู้ของเครื่องจักรสิ่งที่เราต้องการทำคือการสร้างการคาดการณ์ที่เป็นประโยชน์สำหรับการซื้อขายของเรา เพื่อให้การคาดการณ์นี้เราสร้างแบบจำลองทางสถิติโดยใช้ชุดของตัวอย่าง (ผลลัพธ์ที่ทราบและข้อมูลบางอย่างที่เราคาดการณ์มีอำนาจในการทำนายผลลัพธ์เหล่านั้น) จากนั้นเราจะทำการคาดการณ์ผลลัพธ์ที่ไม่รู้จัก (ข้อมูลล่าสุดของเรา) โดยใช้แบบจำลองที่เราสร้างขึ้นด้วย ตัวอย่าง เลือกสิ่งที่เราต้องการทำนาย (ซึ่งจะเป็นเป้าหมายของเรา) เลือกตัวแปรการป้อนข้อมูลบางอย่างที่เราคิดว่าสามารถทำนายเป้าหมายของเราสร้างชุดตัวอย่างโดยใช้ข้อมูลที่ผ่านมา กับปัจจัยการผลิตและเป้าหมายของเราสร้างแบบจำลองโดยใช้ตัวอย่างเหล่านี้ รูปแบบเป็นเพียงกลไกทางคณิตศาสตร์ที่เกี่ยวข้อง inputstargets ทำให้การคาดการณ์ของเป้าหมายโดยใช้ปัจจัยการผลิตที่รู้จักกันล่าสุดการค้าโดยใช้ข้อมูลที่ฉันต้องการจะพูดตั้งแต่เริ่มต้นว่าเป็นสิ่งสำคัญมากเพื่อหลีกเลี่ยงการทำสิ่งที่เอกสารวิชาการจำนวนมากในการเรียนรู้เครื่องทำ, ซึ่งเป็นการพยายามที่จะสร้างแบบจำลองที่มีอาร์เรย์ที่มีขนาดใหญ่มาก ๆ ของตัวอย่างและพยายามที่จะทำการคาดการณ์ในระยะยาวในชุดคำพูดของกลุ่มตัวอย่าง สร้างแบบจำลองที่มีข้อมูล 10 ปีแล้วทดสอบกับสองตัวสุดท้ายไม่ใช่ความรู้สึกซึ่งอาจมีอคติเชิงสถิติหลายประเภทที่เราจะพูดถึงในภายหลัง โดยทั่วไปแล้วคุณจะเห็นว่าโมเดลการเรียนรู้ของเครื่องที่ฉันสร้างได้รับการฝึกฝนในทุกๆบาร์ (หรือทุกครั้งที่ฉันต้องตัดสินใจ) โดยใช้หน้าต่างที่เคลื่อนย้ายข้อมูลสำหรับการสร้างตัวอย่าง (เฉพาะตัวอย่างล่าสุดเท่านั้นที่ถือว่าเกี่ยวข้อง) แน่นอนว่าแนวทางนี้ไม่ใช่คนแปลกหน้ากับอคติเชิงสถิติบางประเภท แต่เราจะเอา quotelephant ออกในห้องพักเมื่อใช้วิธีการที่กว้างใหญ่ในตัวอย่างของเอกสารทางวิชาการส่วนใหญ่ (ซึ่งไม่น่าแปลกใจมักนำไปสู่แนวทางที่ไม่เป็นเช่นนั้น ที่เป็นประโยชน์ในการค้า) มีสามสิ่งที่ต้องคำนึงถึงตัวเองเมื่อสร้างโมเดลการเรียนรู้ของเครื่อง: สิ่งที่ควรทำนาย (เป้าหมายอะไร) จะทำนายอะไรด้วย (ปัจจัยการผลิต) วิธีการสร้างเป้าหมายและปัจจัยการผลิต (สิ่งที่เป็นแบบอย่าง) สิ่งที่ฉันจะกล่าวถึง ในหัวข้อนี้จะมุ่งเน้นไปที่การตอบคำถามเหล่านี้ด้วยตัวอย่างจริง ถ้าคุณต้องการเขียนคำถามที่คุณอาจมีและฉันจะพยายามให้คำตอบแก่คุณหรือแจ้งให้คุณทราบหากฉันจะตอบคำถามนี้ในภายหลัง เข้าร่วมธันวาคม 2014 สถานะ: สมาชิก 383 กระทู้ให้เราลงธุรกิจนี้แล้ว ตัวอย่างการใช้เครื่องจริง สมมติว่าเราต้องการสร้างโมเดลง่ายๆโดยใช้ชุดข้อมูลอินสแตนซ์ที่เรียบง่าย สำหรับการทดลองนี้เป็นคำตอบสำหรับคำถาม: สิ่งที่คาดการณ์ (เป้าหมายคืออะไร) - gt ทิศทางของวันถัดไป (รั้นหรือหยาบคาย) สิ่งที่คาดการณ์ได้ (ปัจจัยการผลิต) - gt ทิศทางของ 2 วันก่อนหน้านี้ เพื่อสร้างความสัมพันธ์กับเป้าหมายและปัจจัยการผลิต (รูปแบบใด) - gt ตัวจำแนกประเภทของเส้นตรงโมเดลนี้จะพยายามคาดการณ์ทิศทางของแถบรายวันถัดไป ในการสร้างโมเดลของเราเราใช้ตัวอย่าง 200 ตัวอย่างที่ผ่านมา (ทิศทางวันเป็นเป้าหมายและทิศทางของสองวันก่อนหน้านี้เป็นข้อมูลอินพุท) และเราฝึกอบรมตัวแบ่งประเภทแบบเชิงเส้น เราทำเช่นนี้ในตอนเริ่มต้นของบาร์ทุกวัน ถ้าเรามีตัวอย่างที่สองวันรั้นนำไปสู่วันที่หยาบคายปัจจัยการผลิตจะเป็น 1,1 และเป้าหมายจะเป็น 0 (0bearish, 1bullish) เราใช้ 200 ตัวอย่างเหล่านี้เพื่อฝึกแบบบนแต่ละแถบ เราหวังว่าจะสามารถสร้างความสัมพันธ์ซึ่งทิศทางของสองวันจะให้ความน่าจะเป็นไปได้สูงกว่าที่จะคาดการณ์ทิศทางของวันได้อย่างถูกต้อง เราใช้ stoploss เท่ากับ 50 ช่วงเฉลี่ย True Range 20 วันในทุกๆการค้า ภาพจำลองที่แนบมา (คลิกที่นี่เพื่อดูภาพขยาย) การจำลองของเทคนิคนี้ตั้งแต่ปี 1988 ถึง 2014 ใน EURUSD (ข้อมูลก่อน 1999 เป็น DEMUSD) ข้างต้นแสดงให้เห็นว่าโมเดลนั้นไม่มีการสร้างผลกำไรที่มั่นคง ในความเป็นจริงแบบนี้เป็นแบบสุ่มลบลำเอียงแบบสุ่มซึ่งทำให้เสียเงินเป็นหน้าที่ของการแพร่กระจาย (3 pips ในซิมของฉัน) ดูประสิทธิภาพที่เห็นได้ชัดในช่วงปีพศ. 2536-2538 และในปี พ. ศ. 2546-2548 ซึ่งเป็นที่ประจักษ์ว่าเราสามารถทำนายทิศทางทิศทางในวันถัดไปได้อย่างมีประสิทธิภาพโดยใช้แบบจำลองเชิงเส้นอย่างง่ายและผลการดำเนินงานในสองวันที่ผ่านมา ตัวอย่างนี้แสดงสิ่งที่สำคัญหลายอย่าง ตัวอย่างเช่นในช่วงเวลาสั้น ๆ (ซึ่งอาจเป็นเวลาสองถึงสามปี) คุณสามารถหลงลืมได้ง่ายโดยการสุ่ม --- คุณสามารถคิดว่าคุณมีสิ่งที่ใช้ได้ซึ่งจริงๆแล้วไม่ได้ โปรดจำไว้ว่าโมเดลถูกสร้างขึ้นใหม่ในทุกแถบโดยใช้ 200 ตัวอย่างของอินพุตที่ผ่านมา คุณคิดว่าอะไรที่คุณสามารถเรียนรู้จากตัวอย่างนี้ได้โพสต์ความคิดของคุณดี ดังนั้นคุณจึงคาดการณ์ว่าผู้ซื้อหรือผู้ขายจะก้าวเข้ามาอืม แต่สิ่งที่ต้องทำอย่างไรกับราคาที่เพิ่มขึ้นหรือลดลง 100 pips ราคาสามารถตอบสนองได้หลายวิธี - อาจเป็นไปได้เพียงบางถัง จากนั้นให้เดินต่อไป นอกจากนี้ยังสามารถย้อนกลับได้ 5, 10, 50 หรือ 99 จุด ในกรณีเหล่านี้คุณมีข้อสงสัยเกี่ยวกับผู้ซื้อหรือผู้ขายที่ก้าวเข้ามา แต่คุณต้องเข้าใจว่าการวิเคราะห์นี้ไม่มีส่วนเกี่ยวข้องกับการค้าของคุณตั้งแต่ 90pip ถึง 100pip ใช่ใช่แล้วนี่เป็นส่วนสำคัญที่ทำให้เราได้รับผลลัพธ์ที่น่าสงสารเมื่อใช้อัลกอริทึมการทำแผนที่เชิงเส้น เนื่องจากความสามารถในการทำกำไรของเรามีความสัมพันธ์กับการคาดการณ์ของเรา การคาดการณ์ในวันนั้นว่าเป็นงานที่ต้องใช้ความระมัดระวังเป็นอย่างมากหากคุณไม่ทราบราคาเท่าไร บางทีการคาดการณ์ของคุณจะถูกต้องเฉพาะในวันที่ให้คุณ 10 pips และคุณได้รับทุกวันที่มีทิศทาง pip 100 ผิดทั้งหมดโดยสิ้นเชิง สิ่งที่คุณจะพิจารณาเป้าหมายที่ดีกว่าสำหรับวิธีการเรียนรู้ของเครื่อง Yes, youre right นี่เป็นเหตุผลสำคัญที่ทำให้เราได้ผลลัพธ์ที่ไม่ดีเมื่อใช้อัลกอริทึมการทำแผนที่เชิงเส้น เนื่องจากความสามารถในการทำกำไรของเรามีความสัมพันธ์กับการคาดการณ์ของเรา การคาดการณ์ในวันนั้นว่าเป็นงานที่ต้องใช้ความระมัดระวังเป็นอย่างมากหากคุณไม่ทราบราคาเท่าไร บางทีการคาดการณ์ของคุณจะถูกต้องเฉพาะในวันที่ให้คุณ 10 pips และคุณได้รับทุกวันที่มีทิศทาง pip 100 ผิดทั้งหมดโดยสิ้นเชิง สิ่งที่คุณจะพิจารณาเป้าหมายที่ดีกว่าสำหรับวิธีการเรียนรู้เครื่องช่วยให้พูดว่าถ้าคุณมี 100 pip TP และ SL ฉันต้องการที่จะคาดการณ์ที่มาก่อน: TP หรือ SL ตัวอย่าง: TP มาก่อน 1 SL มาก่อน 0 (หรือ -1, แต่คุณแผนที่)